Analisis Perbandingan Metode Decision Tree Dan Naive Bayes Untuk Prediksi Kelulusan Tepat Waktu Mahasiswa

Abstract

Kelulusan tepat waktu mahasiswa merupakan indikator penting dalam menilai kualitas pendidikan tinggi. Penelitian ini ditujukan guna menganalisis dan melakukan perbandingan metode Decision Tree dan Naïve Bayes untuk memprediksi kelulusan tepat waktu mahasiswa Program Studi Sistem Komputer di ITB STIKOM Bali. Data yang dipergunakan yakni data historis mahasiswa angkatan 2018- 2020, yang telah melalui proses prapemrosesan untuk meningkatkan kualitas dataset. Metode Decision Tree dikenal karena transparansi dalam pengambilan keputusan, sedangkan Naïve Bayes efektif dalam memanfaatkan distribusi probabilistik. Penelitian ini menunjukan hasil bahwa metode Decision Tree memiliki nilai AUC mencapai 0,919, CA 0,897, F1-Score 0,896, Precision 0,896, Recall 0,897, dan MCC 0,809. Untuk Metode Naïve Bayes menunjukkan hasil nilai AUC mencapai 0,721, CA 0,554, F1-Score 0,576, Precision 0,617, Recall 0,554, dan MCC 0,264. Evaluasi dalam penelitian ini dilakukan menggunakan Confusion Matrix, yang berperan dalam menentukan kualitas metode klasifikasi yang digunakan. Hasil penelitian menghasilkan nilai perbandingan algoritma Decision Tree dan Naïve Bayes dalam meningkatkan efisiensi kelulusan mahasiswa, sehingga dapat membantu institusi pendidikan dalam memilih pendekatan analisis prediktif yang paling sesuai di masa depan